Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Analytics as a Service - Microsoft Azure

131 views

Published on

Längst werden Applikationen als Plattform oder Software as a Service angeboten und genutzt. Im Bereich Business Intelligence und Analytics ist die Zeit reif über eine Transformation in die Cloud nachzudenken, um somit Einsätze auch in größeren Szenarien zu ermöglichen.
Ein Szenario wird unter dem Begriff Analytics as a Service innerhalb dieses Webinars näher beleuchtet. Es wird betrachtet wie Kunden dabei unterstützt werden können, sich den bei einer Transformation entstehenden technischen, funktionalen und organisatorischen Herausforderungen zu stellen. Dabei wird demonstriert, wie der Aufbau einer grundlegenden Analytics Architektur in der Cloud auf Basis von Microsoft Azure gestaltet ist und innerhalb dieser Architektur ein umfassender, skalierbarer Service in den unterschiedlichen Disziplinen Datenakquisition, Datenintegration, Modellierung sowie Visualisierung geleistet werden kann.

Published in: Technology
  • Be the first to comment

  • Be the first to like this

Analytics as a Service - Microsoft Azure

  1. 1. © OPITZ CONSULTING 2017 Informationsklassifikation: Interner Gebrauch  Überraschend mehr Möglichkeiten © OPITZ CONSULTING 2017 Microsoft Azure Arthur Arendt, Martina Boller Analytics as a Service
  2. 2. © OPITZ CONSULTING 2017 Informationsklassifikation: Interner Gebrauch Seite 2 Agenda 1 2 3 4 5 Vorstellung OPITZ CONSULTING (2 Min) Leasing 123 (3 Min) Architektur (7 Min) Lösung (15 Min) Abspann / Fazit (5 Min) OC Powerpoint CI 2017 V 0.932
  3. 3. © OPITZ CONSULTING 2017 Informationsklassifikation: Interner Gebrauch Seite 3 OPITZ CONSULTING 1 OC Powerpoint CI 2017 V 0.932
  4. 4. © OPITZ CONSULTING 2017 Informationsklassifikation: Interner GebrauchOC Powerpoint CI 2017 V 0.933 Seite 4 OPITZ CONSULTING
  5. 5. © OPITZ CONSULTING 2017 Informationsklassifikation: Interner Gebrauch Seite 5 Leasing 123  UseCase: DWH wird benötigt  Fachlich  Technisch 2 OC Powerpoint CI 2017 V 0.932
  6. 6. © OPITZ CONSULTING 2017 Informationsklassifikation: Interner GebrauchOC Powerpoint CI 2017 V 0.932 Seite 6 Leasing 123  Stark wachsendes Leasing Unternehmen benötigt strategische Steuerung  Betreibt bundesweit mehrere Filialen und macht Onlinegeschäft  Kernprodukte  ADAC Top 10 Fahrzeuge 2018  ADAC Top 10 P/L Fahrzeuge 2018  Produktleiter benötigt Informationen über Abgeschlossene Verträge und möchte die meist-geleasten Fahrzeuge identifizieren  Vertriebsleiter benötigt Informationen über abgegebene Angebote  Marketingleiter benötigt zur Markteinschätzung die aktuellen Zulassungsstatistiken
  7. 7. © OPITZ CONSULTING 2017 Informationsklassifikation: Interner GebrauchOC Powerpoint CI 2017 V 0.933 Seite 7 Leasing 123  Die Leasing 123 möchte keine eigene IT-Infrastruktur und -Knowhow aufbauen  Aufgrund der Wachstumsphase sollten IT Systeme horizontal und vertikal skalierbar sein  Die Analytics Plattform soll erweiterbar sein damit parallel zum klassischen Reporting auch Big Data und Data Science Analysen durchgeführt werden können
  8. 8. © OPITZ CONSULTING 2017 Informationsklassifikation: Interner Gebrauch Seite 8 Architektur  Anforderungen an DWH  Strukturierte Daten verarbeiten  Semistrukturierte Daten verarbeiten  Hohe Verfügbarkeit über Web  Wartungsarm  Geringe Einstiegshürden für Endanwender (Reporter + Empfänger)  Architekturbild (RWU + MS Lösung?) 3 OC Powerpoint CI 2017 V 0.932
  9. 9. © OPITZ CONSULTING 2017 Informationsklassifikation: Interner Gebrauch Quellen Architektur Ingest DWH Frontend XML JSON Monitoring/Metadata/Security/… Web Seite 9 Data Lake Streaming BigData World Frankfurt 2019 DBMSCSV XLS
  10. 10. © OPITZ CONSULTING 2017 Informationsklassifikation: Interner Gebrauch Quellen Architektur Ingest DWH Frontend Monitoring/Metadata/Security/… Seite 10 Data Lake Streaming Core Dim. / Marts Refined Data Raw Data Sandbox / Lab Sandbox / Lab BigData World Frankfurt 2019 XML JSONWebDBMSCSV XLS
  11. 11. © OPITZ CONSULTING 2017 Informationsklassifikation: Interner Gebrauch Quellen Architektur Azure Ingest DWH Frontend Monitoring/Metadata/Security/… Seite 11 Data Lake Streaming BigData World Frankfurt 2019 XML JSONWebDBMSCSV XLS Storage blob Cosmos DB IoT Hub HDInsight Service Bus Azure SQL database Stream Analytics Azure Backup Azure SQL database Storage blob Event Hubs MySQL database Data Factory Data Factory
  12. 12. © OPITZ CONSULTING 2017 Informationsklassifikation: Interner Gebrauch Quellen Architektur Leasing 123 Ingest DWH Frontend Seite 12BigData World Frankfurt 2019 XLS Storage blob Data Factory Data Factory
  13. 13. © OPITZ CONSULTING 2017 Informationsklassifikation: Interner Gebrauch Seite 13 Modernes DWH – Beispiel Lösungsarchitektur Azure Sql DWH Azure Synapse Analytics Rohan Kumar, Corporate Vice President, Azure Data Engineering, stellte Azure Synapse vor. Um grosse Datenmengen zu analysieren, braucht es entsprechende Tools. Mit Azure Synapse werden das Azure SQL Data Warehouse, Azure ML und Power BI vereint, sodass äusserst performant Reports erstellt werden können - egal, ob mit strukturierten oder unstrukturierten Daten. Microsoft vergleicht sich an der diesjährigen Ignite Conference immer wieder gerne mit Google und Amazon. So sind die ausgeführten Queries um einiges schneller als Amazons Redshift und noch viel schneller als GCP Big Query (Google Cloud Platform). Mit Azure Synapse wird es einfach, künstliche Intelligenz (KI) und Machine Learning (ML) zu analysieren respektive zu reporten und zu überwachen. BigData World Frankfurt 2019
  14. 14. © OPITZ CONSULTING 2017 Informationsklassifikation: Interner GebrauchOC Powerpoint CI 2017 V 0.932 Seite 14 Architektur
  15. 15. © OPITZ CONSULTING 2017 Informationsklassifikation: Interner Gebrauch Seite 15 Lösung  Tools und Entwicklungsumgebung  MS Storage Explorer  Azure SQL DB  SQL Server Management Studio  Azure Data Factory  Copy (Staging)  Databricks (Staging)  Notebook + Data Flow  Data Flow (Core)  Analysis Service  Microsoft Visual Studio + Plugin  Power BI  DWH-Datenflussbild  Kimball  Beispiele DIM_MODELL_MARKE, FACT_ZUÖASSUNG  Analysis Service, Power BI und Bspw. Dashboard 4 OC Powerpoint CI 2017 V 0.932
  16. 16. © OPITZ CONSULTING 2017 Informationsklassifikation: Interner GebrauchOC Powerpoint CI 2017 V 0.932 Seite 16 Datenmodell Zulassungsstatistik
  17. 17. © OPITZ CONSULTING 2017 Informationsklassifikation: Interner Gebrauch Seite 17 Abspann / Fazit 4 OC Powerpoint CI 2017 V 0.932
  18. 18. © OPITZ CONSULTING 2017 Informationsklassifikation: Interner GebrauchOC Powerpoint CI 2017 V 0.932 Seite 18 Abspann / Fazit  Aufbau Analytics Plattform möglich  Integration, Modellierung & Visualisierung  Flexible Architektur  Modular  Erweiterungen für BigData / Datalake /Social Media Daten  Skalierbare Architektur  Services  Datenspeicher  Anwender  Performance
  19. 19. © OPITZ CONSULTING 2017 Informationsklassifikation: Interner GebrauchOC Powerpoint CI 2017 V 0.932 Seite 19 Abspann / Fazit  Organisation  Keine Rechenzentren und keine Administration notwendig  Subscriptions müssen gemanaged werden  Lessons Learned  Kombinationsmöglichkeit der Services  Kosten  Transparenz  Was kostet der Service  Konkrete Kostenübersicht  Höhe  Azure DWH / Synaps Analytics
  20. 20. © OPITZ CONSULTING 2017 Informationsklassifikation: Interner GebrauchOC Powerpoint CI 2017 V 0.933 Seite 20 Backup und Fragen  Beispiel von .csv nach Report (Leasing)  Beispiel von .xls nach Report (KBA)  Ist ein DWH nach Inmon / Linstedt möglich?  Wie schnell ist ein PoC / MVP machbar  2-4 Wochen  Wenn Business Case konkret ist und Daten da  Elemente einer Kostenkalkulation  Azure Service erstellt  Azure Service läuft  Transaktion / Netzwerk  Entwicklung DWH/BI

×